点云深度学习的3D场景理解（上）

本文主要是关于 pointNet，pointNet++，frustum point 的一些整理和总结，内容包括如何将点云进行深度学习，如何设计新型的网络架构，如何将架构应用的3D场景理解。文章由于篇幅过长，将分成上下两部分。

背景

近来很多3D的应用在兴起，3D传感器在进步，随着虚拟网络的发展转到物理实际中的应用，比如（ADAS，AR，MR）自动驾驶中需要理解 汽车行人交通标识，同时也需要理解三维物体的状态静止和移动。

AR头戴显示器有深度传感器，也需要做三维场景的理解。例如把todo_list合适的放到冰箱的门上，需要一种数据驱动的方式去理解和处理三维数据，3D deep learning。

三维表达的形式

三维数据本身有一定的复杂性，2D图像可以轻易的表示成矩阵，3D表达形式由应用驱动的：

　　point cloud ，深度传感器扫描得到的深度数据，点云

　　Mesh，三角面片在计算机图形学中渲染和建模话会很有用。

　　Volumetric，将空间划分成三维网格，栅格化。

　　Multi-View，用多个角度的图片表示物体。

Point c'loud 是一种非常适合于3D场景理解的数据，原因是：

　　1、点云是非常接近原始传感器的数据集，激光雷达扫描之后的直接就是点云，深度传感器（深度图像）只不过是一个局部的点云，原始的数据可以做端到端的深度学习，挖掘原始数据中的模式

　　2、点云在表达形式上是比较简单的，一组点。相比较来说 Mesh需要选择面片类型和如何连接

　　　　网格需要选择多大的网格，分辨率。

　　　　图像的选择，需要选择拍摄的角度，但是表达是不全面的。

之前的大部分工作都是集中在手工设计点云数据的

这些特征都是针对特定任务，有不同的假设，新的任务很难优化特征。希望用深度学习特征学习去解 决数据的问题。

　　但是点云数据是一种不规则的数据，在空间上和数量上可以任意分布，之前的研究者在点云上会先把它转化成一个规则的数据，比如栅格让其均匀分布，然后再用3D-cnn 来处理栅格数据

缺点：

3D cnn 复杂度相当的高，三次方的增长，所以分辨率不高30*30*30 相比图像是很低的，带来了量化的噪声错误，限制识别的错误：

　　1、但是如果考虑不计复杂度的栅格，会导致大量的栅格都是空白，智能扫描到表面，内部都是空白的。所以栅格并不是对3D点云很好的一种表达方式

　　2、有人考虑过，用3D点云数据投影到2D平面上用2D cnn 进行训练，这样会损失3D的信息。还要决定的投影的角度

　　3、点云中提取手工的特征，再接FC，这么做有很大的局限性

PointNet

　我们能否直接用一种在点云上学习的方法：统一的框架

PointNet网络设计

网络设计有两种点云的特点决定的：

1、点云是数据的表达点的集合，对点的顺序不敏感

　D维的特征，最简单的D=3，还可以有其他颜色，法向点集是无序的，可以做变化，背后的代表的是同一套点集，置换不变性。模型需要对N！网络需要做到置换的不变性。系统化的解决方案，对称函数，具有置换不变性。神经网络本质是一个函数。

如何用神经网络构建对称函数：最简单的例子：

虽然是置换不变的，但是这种方式只计算了最远点的边界，损失了很多有意义的几何信息，如何解决呢？

与其说直接做对称性可以先把每个点映射到高维空间，在高维空间中做对称性的操作，高维空间可以是一个冗余的，在max操作中通过冗余可以避免信息的丢失，可以保留足够的点云信息，再通过一个网络r来进一步　　消化信息得到点云的特征。这就是函数hgγ的组合。每个点都做h低位到高位的映射，G是对称的那么整个结构就都是对称的。下图就是原始的pointnet结构。

可以用MLP多层感知器（Multilayer perceptron） 来描述h和γ，g max polling 效果最好。

　　接下来有个很有意思的理论问题，用神经网络构建的pointnet中，保证了对称，那么在所有的对称函数中，point(vanilla)是什么样的位置呢？什么样的函数pointnet 能代表，什么函数不能代表

可以得到理论：

pointnet 可以任意的逼近在集合上的对称函数，只要是对称函数是在hausdorff空间是连续的，那么就可以通过任意的增加神经网络的宽度深度，来逼近这个函数

　　上面解释了如果通过对称函数，来让点云输入顺序的不变

2、如何来应对输入点云的几何（视角）变换，比如一辆车在不同的角度点云的xyz都是不同的 但代表的都是车辆，我们希望网络也能应对视角的变换，如果spatial transform network

　增加了一个基于数据本身的变换函数模块，n个点(x,y,z) t-net 生成变换参数，之后的网络处理变换之后的点，目标是通过整体优化变换网络和后面的网络使得变换函数对齐输入，如果对齐了，不同视角的问题就可以简化。

实际中点云的变化很简单，不像图片做变换需要做插值，做矩阵乘法就可以。比如对于一个3*3的矩阵仅仅是一个正交变换，计算容易实现简单。我们可以推广这个操作，不仅仅在输入作此变换，还可以在中间做 N个点 K维特征，用另外网络生成k*k 来做特征空间的变化，生成另一组特征。

高维优化过程中，难度高，需要加正则化，比如希望矩阵更加接近正交矩阵，那么这些变换的网络如何和pointnet结合起来：得到分类和分割网络。

　　首先输入一个n*3的矩阵，先做一个输入的矩阵变换，T-net 变成一个3*3的矩阵，然后通过mlp把每个点投射到64高维空间，在做一个高维空间的变换，形成一个更加归一化的64维矩阵，继续做MLP将64维映射到1024维，在1024中可以做对称性的操作，就是maxpooling，得到globle fearue，1024维度 ，通过级联的全连接网络生成k （分类）

　如何分割呢？可以定以成对每个点的分类问题，通过全局坐标是没法对每个点进行分割的，简单有效的做法是，将局部单个点的特征和全局的坐标结合起来，实现分割的功能。最简单的做法是将全局特征重复N遍，和每一个原来单个点的特征连接在一起，相当于单个点在全局特征中进行了一次检索，检索到在哪个位置就是哪个类别，对连接起来的特征进行MLP的变换，最后输出m类相当于m个score：（将单个点和总体的特征连接到一起，判定在总体中的位置，来决定是哪个分类）

文章转载自https://www.cnblogs.com/Libo-Master/p/9759130.html。

目前微信交流群不断壮大，由于人数太多，目前有两个群，为了鼓励大家分享，我们希望大家能在学习的同时积极分享，将您的问题或者小总结投稿发到群主邮箱主邮箱dianyunpcl@163.com。

以上内容如有错误或者需要补充的，请留言！同时欢迎大家关注微信公众号,积极分享投稿，或者加入3D视觉微信群或QQ交流群。

原创不易，转载请联系群主，注明出处